机器人抓取为何长期"拉胯"
尽管行业已投入数十亿美元，并往深度学习模型里喂了海量演示视频，机器人至今仍不擅长拾取物体——这一瓶颈可能即将被打破。
MIT 教授 Pulkit Agrawal 与前 Google DeepMind 研究员 Tuomas Haarnoja 联合创立了机器人初创公司 Eka Robotics，最近完成了 1.5 亿美元 A 轮融资，投后估值达 14.5 亿美元，由 a16z 和 F-Prime 领投。该公司打造了一套力敏抓取装置配合新型深度学习模型的操控架构。
a16z 普通合伙人 Raghu Raguram 参与了本轮融资，他告诉 TechCrunch："某些任务上，Eka 已经超越了人类水平。我们预计，未来几个月内多数精细操控任务都将达到超人类水平。" 在各类机器人演示层出不穷的当下，Eka 的表现让资深从业者感到震惊。伊利诺伊大学香槟分校教授 Kris Hauser 评价其有"哇 factor"——与他近期见过的其他机器人演示完全不同。Eka 机器人能够在不重新训练的情况下适配大量不同物体，失败后会反复尝试，"有一种 creepy 的人类感"。
一位在前沿实验室工作的机器人专家匿名表示，亲眼见到 Eka 机器人是一种情感体验，堪比五到十年前机器人首次实现可靠腿部运动的时候。
速度与精度如何兼得
Eka 机器人每分钟可完成约 25 次抓取（相当于每小时约 1500 件），人类同等时间约为 600 件；其抓取成功率超过 95%。机械臂移动速度极快——快到足以伤害自己。前沿实验室观察者指出，这说明团队"对算法不会弄坏机器人这件事有相当强的信心"，并好奇"他们到底在研发过程中弄坏了多少台机器人"。
当这位前沿实验室机器人专家亲手递给 Eka 一颗覆盆子时，体验颇为独特："一台又大又重的机器人朝我的手臂冲过来，然后在最后一刻精准减速、极其轻柔地触碰我——这种感觉，我此刻还身体力行地感受着。"
力反馈才是关键
这一能力背后的核心在于模型架构。与当前主流的"视觉-语言-动作"（VLA）模型不同，Eka 采用的是"视觉-力-动作"（VFA）架构——关注语言、力输入与动作之间的关系，而非依赖视觉理解语言指令。
MIT 教授 Agrawal 指出："在这最后几毫米的距离上，视觉并非主要解决方案。视觉告诉你物体大致在哪里、姿势如何，但真正的抓取、真正的感知探索，是靠力来完成的。" Eka 必须设计一款比传统夹持器更灵活的机械手，并嵌入更多力传感器，使其能对接触力做出实时反应——这正是它不会把覆盆子捏碎的原因。具体技术细节公司讳莫如深，但核心路径是：利用物理模拟器建模机器人抓取过程中的多重受力，再以此构建可大规模运行的强化学习环境。据称 Eka 可在几分钟内生成数千小时的机器人经验数据。
伊利诺伊大学 Hauser 教授评价："Eka 不受人类演示数据的局限，而是通过强化学习让机器人超越任何给定演示的能力。真正令人兴奋的是，他们不再受训练数据的限制。"
仿真的胜利
Agrawal 与 Haarnoja 早年在 UC Berkeley 读研时相识，二人都是机器人强化学习控制领域的顶尖研究者。Eka 的核心赌注是：这套技术可以通过仿真规模化实现，而非依赖众包工作者或机器人操作员逐小时采集真实演示数据。以往，仿真对需要与物体交互的任务（即避免碰撞以外的动作）效果不佳，Eka 则攻克了这一难题。
Agrawal 认为："Eka 正在弥合现代机器人领域的'通用性-性能鸿沟'。"
通用机器人如何真正有用
当前最通用的物理 AI 模型（即能尝试多种不同任务的模型）实际上并不擅长这些任务。而高度专精于单一任务的 AI 模型，又可能无法支撑商业化逻辑——生成式 AI 承诺的是让机器人快速学会多项任务，甚至 novel 任务。
现有路线已能造出比以往更智慧的通用机器人。例如 Astra（ChatGPT 最新 LLM）可以在陌生环境中操控机器人并执行任务，但速度慢、成本高。Eka 这类模型的价值在于：上层通用模型负责"决策"（比如知道盘子从洗碗机取出后要摞进橱柜），而 Eka 负责底层的"物理执行"（稳稳拿起盘子不碎）。
Eka 联合创始人 Haarnoja 总结道："这个领域大多数人在专注规划——从顶层出发，把高层智能向下推送到物理层。而我们是从底层往上思考。"
落地挑战：从实验室到真实产线
Eka 目前仍处于闭门试点阶段，与多家工业客户合作开展取放和线束操作任务。但从实验室到真实生产线的跨越，难度不亚于仿真环境与现实之间的差距。
核心挑战在于：与集成商在真实装配线上合作时，设备需要全年无故障运行。与此同时，外界也在质疑这些技术的泛化能力——"我目前看到的演示是取放操作，但许多具有增值价值的工业任务远不止于此。"
硬件耐用性目标：2000 万次循环
Eka 联合创始人 Agrawal 同样关注可部署性。他透露，Eka 的夹爪硬件成本低于 1000 美元，额定耐用次数为 500 万次，而行业标准工业臂的门槛是 2000 万次，这是团队的终极目标。
务实路径：从两个垂直场景切入
Agrawal 表示："我们正在构建的是整套工作流的设计工程，但起步阶段非常务实——先聚焦取、摆、放和线束处理这两个垂直领域，争取做到一击即中。等这两个场景拿下，这种技术路径的扩展空间将是无限的。"
评论